
IA e computação
Arquitetura do Vision Transformer (ViT)
- Composição:
- patches de imagem transformados em uma sequência de token
- Proporção:
- 16:9
Prompt
Crie um diagrama de arquitetura de 【um Vision Transformer】, lido da esquerda para a direita:
1. 【Uma imagem de entrada (um pequeno ícone de foto de paisagem) cortada por linhas finas em uma grade de manchas quadradas.】
2. 【Os patches dispostos em uma fileira de pequenos quadrados.】
3. 【Cada quadrado passa por uma caixa de projeção linear compartilhada e se torna uma barra simbólica colorida; uma barra de token cinza extra fica na frente da linha e pequenas marcas de posição são adicionadas a cada barra.】
4. 【A linha de tokens entra em um bloco alto para o codificador Transformer, desenhado com uma leve sombra de cópias empilhadas atrás dele; as cópias não têm etiquetas.】
5. 【Apenas o token frontal cinza continua em uma pequena caixa principal MLP, que aponta para uma caixa de saída para a classe.】
Escreva cada rótulo apenas uma vez em toda a figura.
Caso um componente apareça em mais de um local ou painel, escreva seu rótulo apenas na primeira aparição; todas as outras cópias não têm texto. Nenhum rótulo pode aparecer duas vezes em qualquer lugar da figura. Soletre cada rótulo exatamente como indicado e não adicione títulos.
Rótulos (use cada um apenas uma vez, sem adicionar outro texto): 【Input image, Patches, Linear projection, Class token, Position embedding, Transformer encoder, MLP head, Class】.
Estilo: diagrama esquemático estilo diário. Limpe gráficos vetoriais planos em um fundo branco. Os módulos são retângulos arredondados ou ícones simples com seus nomes curtos dentro; painéis em tons pastéis claros agrupam camadas relacionadas. Apenas 3-4 cores suaves, cada uma com um significado fixo. Setas finas e uniformes mostram o fluxo de dados, energia, material ou influência; setas tracejadas para links indiretos ou de feedback. Somente rótulos sem serifa em inglês, cada rótulo aparece exatamente uma vez, escrito exatamente como indicado. Sem renderização 3D, sem sombras, sem brilho, sem decoração cyberpunk ou de fundo tecnológico, sem fotorrealismo.
Abre a Yila com este prompt e o exemplo como imagem de referência.
Os exemplos foram gerados com Nano Banana. O prompt também funciona com GPT Image e outros modelos de imagem; os resultados variam conforme o modelo.






